II.8Инженерия данных и аналитика

severinsimmler/xlm-roberta-longformer-large-16384 — PyTorch-перепубликация модели hyperonym/xlm-roberta-longformer-large-16384 без изменений. Это мультиязычная плотная модель архитектуры Longformer, инициализированная весами XLM-RoBERTa без дополнительного предварительного обучения. Она предназначена для дообучения под прикладную задачу и извлечения признаков из текста; окно контекста составляет 16 386 токенов, размер — 658,7 млн параметров. Модель подходит для длинных текстов на поддерживаемых языках и доступна в форматах PyTorch и Safetensors. Лицензия — MIT. Качество на конкретной задаче зависит от последующего дообучения; карточка не описывает готовую специализированную задачу или результаты оценки.

Модель разработана пользователем anton-l и дообучена на базе facebook/wav2vec2-xls-r-300m на датасете GOOGLE/XTREME_S — FLEURS.ALL. Это модель распознавания речи на архитектуре Wav2Vec2 с CTC-декодированием, содержащая около 402,8 млн параметров. Модель преобразует аудио в текст и предназначена для автоматического распознавания речи на языках Западной Европы, представленных в FLEURS. В README приведены результаты оценки на 20 043 примерах: общий CER составляет 0,2484, а показатели заметно различаются по языкам; например, CER для немецкого — 0,1287, для греческого — 0,6020. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Результаты оценки указывают на неодинаковое качество между языками, поэтому перед применением следует проверить точность для нужного языка и условий записи.

AceReason-Nemotron-1.1-7B-GGUF — GGUF-версия языковой модели AceReason-Nemotron-1.1-7B, разработанной NVIDIA. Модель предназначена для генерации текста с акцентом на рассуждения в задачах математики и программирования. Она создана на базе Qwen2.5-Math-7B и обучалась в два этапа: supervised fine-tuning (SFT) на математических и кодовых задачах, затем reinforcement learning (RL). В карточке указано, что модель поддерживает английский язык и работает в режиме text generation. Размер модели составляет 7B параметров. Ключевая специализация — решение сложных математических задач и генерация программного кода. По приведённым результатам, модель показывает сильные показатели на бенчмарках AIME 2024, AIME 2025 и LiveCodeBench, превосходя предшественника AceReason-Nemotron-1.0-7B и другие сопоставимые модели на некоторых тестах. Версия GGUF предназначена для использования в совместимых средах локального инференса, однако конкретный вариант квантования и требования к памяти в README не указаны. Ограничения включают специализацию преимущественно на математике и коде, возможные ошибки в рассуждениях и отсутствие гарантии корректности сгенерированных ответов или программ. Размер контекста, список поддерживаемых языков сверх английского и точные характеристики архитектуры в карточке не указаны. Модель распространяется по NVIDIA Open Model License; дополнительные условия следует проверять в тексте лицензии NVIDIA.

PRAli22/arat5-arabic-dialects-translation — модель семейства T5, разработанная PRAli22 и обученная с нуля для преобразования арабских диалектов в современный стандартный арабский язык (MSA). Она подходит для нормализации диалектных текстов и перевода пользовательских сообщений на MSA. Модель содержит 183,7 млн параметров и доступна в форматах Safetensors и TensorFlow; для работы используется библиотека Transformers. Обучение проводилось на наборе данных PRAli22/Arabic_dialects_to_MSA. Карточка не приводит результатов оценки или подробностей о поддерживаемых диалектах и ограничениях качества. Лицензия — Apache-2.0.

ConnyGenz разработала эту модель как дообученную версию ConnyGenz/artificially-natural-roberta для классификации текста. Она содержит 151,8 млн параметров, использует архитектуру RoBERTa и рассчитана на последовательности длиной до 514 токенов. На оценочном наборе модель показала F1 0,988 и loss 0,0778. Модель подходит для классификации текстов в сценариях, где размечены нужные категории. Карточка не описывает набор категорий, обучающие данные или предполагаемую область применения, поэтому конкретный тип классификации установить нельзя. Веса опубликованы в формате safetensors; лицензия — MIT.

finiteautomata/bertweet-base-sentiment-analysis — модель классификации тональности коротких англоязычных сообщений, разработанная на базе BERTweet. Это RoBERTa с архитектурой RobertaForSequenceClassification и примерно 162,4 млн параметров; модель обучена на корпусе SemEval 2017, содержащем около 40 тысяч твитов. Она присваивает тексту одну из трёх меток: POS, NEG или NEU. Модель подходит для анализа тональности англоязычных твитов и похожих коротких сообщений, например для мониторинга общественного мнения или разметки текстов по тональности. Она принимает текст и выдаёт метку класса. Контекст модели составляет 130 токенов; доступны форматы PyTorch и TensorFlow. Карточка не указывает лицензию. Обучение на твитах и ограниченная длина контекста могут снижать качество на длинных текстах, других жанрах и языках, а также на формулировках, отличающихся от данных обучения.

Модель cvalenciaunivalle/bilstm-crf-fasttext-conll-bs8 — модель распознавания именованных сущностей, разработанная Лаурой Валеро и Кристианом Валенсией для учебного семинара по обработке естественного языка в Univalle. Она использует двунаправленную LSTM с выходным слоем CRF и 300-мерными испанскими FastText-эмбеддингами; обучение проводилось на испанской части CoNLL-2002. На тестовой выборке CoNLL-2002 указаны F1 0,7973, точность 0,8109 и полнота 0,7842. Модель принимает испанский текст и присваивает метки токенам для распознавания именованных сущностей. Для загрузки требуется собственный код модели с параметром trust_remote_code=True. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях атрибуции, распространения производных материалов на тех же условиях и некоммерческого применения.

Это исследовательский чекпойнт Qwen3-4B, дообученный методом обучения с подкреплением OpenRLHF GRPO. По карточке модели, обучение проводилось непосредственно от Qwen/Qwen3-4B-Instruct-2507 без отдельного SFT-этапа; сохранён шаг 60 эксперимента. Модель предназначена для генерации кода и решения задач программирования, где правильность программы проверяется тестами. Обучение использовало бинарную награду за прохождение тестов, а также штрафы за усечение и чрезмерно длинные ответы. Карточка называет этот чекпойнт лучшим в запуске по pass@8, но метрики оценки не приводит. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов; для загрузки указаны Transformers и формат safetensors. Лицензия в предоставленных данных не описана.

DARE (Distribution-Aware Retrieval Embedding) — дообученный двунаправленный энкодер на базе Sentence Transformer, разработанный для поиска функций и инструментов статистического анализа на языке R. Он подбирает инструменты с учётом текста запроса пользователя и профиля данных, чтобы LLM-агенты могли выбирать подходящие функции в автоматизированных сценариях анализа данных. Модель основана на sentence-transformers/all-MiniLM-L6-v2, использует архитектуру BERT и содержит 25,9 млн параметров. Она формирует плотные векторные представления для извлечения и сопоставления запросов с R-функциями; указанная длина контекста — 512 токенов. В README сообщается результат 93,47 NDCG@10 на задачах поиска R-пакетов. DARE предназначена для англоязычных запросов в области R, науки о данных и статистического анализа. Лицензия — Apache-2.0. Модель выдаёт эмбеддинги для поиска и ранжирования, а не готовые ответы или исполняемый код; результат поиска зависит от описаний инструментов и профиля данных, переданных системе.

Document Image Transformer (DiT) large — визуальный трансформер-энкодер, разработанный Microsoft и впервые опубликованный в репозитории microsoft/dit-large. Модель предварительно обучена без учителя на 42 миллионах изображений документов из набора IIT-CDIP. Её архитектура соответствует BEiT: изображения разбиваются на патчи размером 16×16, а при предобучении модель учится восстанавливать визуальные токены для замаскированных участков. Размер модели — 411 млн параметров. DiT предназначена для получения векторных представлений изображений документов и дообучения для классификации документов, обнаружения таблиц и анализа структуры страницы. Она подходит для построения признаков, используемых в специализированных системах обработки документов. Модель принимает изображения и выдаёт представления, пригодные для последующих задач машинного обучения. В карточке указана лицензия Apache-2.0. Для прикладных задач обычно требуется обучить классификационную или иную задачу-специфичную голову на размеченных данных; сама базовая модель не выполняет готовую классификацию, обнаружение таблиц или анализ макета без такого дообучения.

HuggingFaceFW разработала FineWeb-Edu Classifier — классификатор веб-страниц по их образовательной ценности для отбора и подготовки обучающих корпусов. Модель построена на Snowflake Arctic Embed с головой классификации; энкодер и эмбеддинги при обучении были заморожены, а выход представляет собой оценку от 0 до 5. В метаданных указана архитектура BERT, 136,7 млн параметров и контекст до 512 токенов. Модель обучена на 450 тысячах примеров FineWeb с оценками, созданными Llama 3 70B Instruct; для бинарного отбора авторы рекомендуют порог оценки 3 и сообщают F1 82%. Она предназначена прежде всего для фильтрации веб-контента начального и школьного уровня и была использована при создании датасета FineWeb-Edu. Лицензия — Apache 2.0. Классификатор подходит для оценки отдельных страниц или текстовых фрагментов и подготовки образовательных наборов данных. Качество может снижаться на данных, отличающихся от FineWeb, материалах высшего образования и узкоспециализированных темах; оценки также зависят от смещений и шумов в разметке Llama 3. Модель не учитывает контекст за пределами переданного текста.

aufklarer/FireRedLID-887M-MLX-8bit — преобразованная в формат MLX 8-битная версия модели FireRedTeam/FireRedLID для определения языка и диалекта по аудио. Она принимает монофоническую речь с частотой 16 кГц и использует 80-мерные Kaldi fbank-признаки, 16-слойный Conformer-энкодер с относительными позициями и авторегрессионный Transformer-декодер; квантованы веса подходящих линейных слоёв, а остальные компоненты сохраняют смешанную точность FP16/FP32. Модель предназначена для классификации речевого аудио по языку, включая иерархические метки китайского языка и диалектов. В README приведена оценка квантированной версии на выборке FLEURS по 82 языковым меткам: точность составила 95,93% на чистых фрагментах, 97,15% при телефонном канале 8 кГц и 92,68% при шуме с отношением сигнал/шум 10 дБ. Это результаты выборки, а не полное воспроизведение опубликованной оценки; качество на других данных не гарантируется. Лицензия — Apache-2.0. Модель использует закрытый словарь меток и не умеет надёжно распознавать неизвестный язык: она может уверенно классифицировать тишину, музыку, неподдерживаемую речь или речь с переключением языков. Для рабочих систем рекомендуется применять VAD, калибровку на целевых данных и явную политику отказа; предсказание языка или акцента не следует трактовать как достоверное указание национальности или этнической принадлежности.

gaperon-mmbert-tamil — модель классификации качества тамильского текста, разработанная для конвейера подготовки данных Gaperon. Она дообучена на jhu-clsp/mmBERT-base — многоязычном энкодере ModernBERT с 22 слоями и размером скрытого состояния 768; модель содержит около 306,9 млн параметров и поддерживает контекст до 8192 токенов. Шесть независимых классификационных голов оценивают ясность, связность, глубину, грамматику, полезность и общее качество по шкале «низкое», «среднее», «высокое».\n\nМодель предназначена для оценки, фильтрации и взвешивания тамильских текстов, например веб-документов в обучающем корпусе. На валидации средний macro-F1 составил 0,5305; отложенная тестовая выборка не оценивалась, поэтому оценки следует считать шумным сигналом фильтрации. Обучение и оценка проводились только на тамильских текстах с соответствующей схемой разметки, и перенос на другие языки, жанры или предметные области не подтверждён. Весовые файлы распространяются по лицензии MIT; для загрузки классификационных голов требуется отдельный файл heads.pt и специальный код, они несовместимы напрямую с AutoModelForSequenceClassification.

Это экспериментальная производная модель на базе Gemma 4 12B Coder Fable5 Composer 2.5, опубликованная независимым автором llmfan46. Модель предназначена прежде всего для генерации кода на Python: README описывает дообучение на проверяемых примерах, где решения проходили тесты, и акцент на рассуждении перед выдачей кода. Метаданные указывают архитектуру Gemma4UnifiedForConditionalGeneration, поддержку чата и кода, формат safetensors и задачу text-generation. Репозиторий представляет uncensored/heretic-вариант исходной модели, полученный через abliteration: в приведённом тесте отказов число отказов снизилось со 100 из 100 у исходной модели до 9 из 100. MMLU в карточке показал 75,15% для этой версии против 75,72% у исходной; это результаты автора, а не независимая оценка. README также описывает запуск малых квантованных вариантов из отдельного репозитория GGUF, но текущий репозиторий содержит safetensors. Лицензия — Apache 2.0. Язык модели в метаданных не указан; карточка ориентирует её на код, а не на конкретный естественный язык.

whr778/gliner2-base-v1-docee — модель извлечения информации, дообученная на базе fastino/gliner2-base-v1 для извлечения событий из документов в наборе DocEE. Она предназначена для разметки сущностей и классификации документа, связанной с извлечением событий; README также относит к задачам семейства извлечение отношений и событий. Модель работает с текстом через библиотеку gliner2. Данные обучения и оценки — англоязычные; размер модели и длина контекста в предоставленных источниках не приведены. На слепом тесте классификация показала F1 0,993–0,996, а извлечение сущностей — 0,333–0,539 в зависимости от строгого или смягчённого критерия. Модель опубликована под лицензией other; условия лицензии следует проверять в карточке репозитория перед использованием.

ivanovsdesign/huawei-data-classification — русскоязычный классификатор текста, созданный дообучением BERT-модели blanchefort/rubert-base-cased-sentiment-rusentiment с помощью AutoTrain. Модель предназначена для отнесения текста к заданным категориям; карточка указывает задачу классификации текста, но не описывает сами категории и целевую область применения. Модель использует архитектуру BERT для классификации последовательностей, содержит около 205,1 млн параметров и рассчитана на контекст до 512 токенов. Валидационные метрики в README: accuracy и micro-F1 около 0,673, macro-F1 около 0,455. Лицензия в предоставленных данных не указана.

Mizuiro-sakura/luke-japanese-base-finetuned-ner — японская модель распознавания именованных сущностей, созданная дообучением luke-japanese-base на японском датасете NER на основе Википедии. Она предназначена для извлечения из текста имен людей, событий и других сущностей; карточка приводит метрики precision, recall и F1 для нескольких категорий сущностей. Модель построена на архитектуре LUKE для классификации токенов, содержит 138,4 млн параметров и поддерживает контекст до 514 токенов. LUKE учитывает слова и сущности как отдельные токены и использует механизм внимания, учитывающий сущности. Для использования указаны Transformers и SentencePiece. Лицензия — MIT.

Agnuxo/Mamba-Codestral-7B-v0.1-instruct-python_coding_assistant-GGUF_4bit — текстовая генеративная модель для локального программирования, разработанная Francisco Angulo de Lafuente (Agnuxo1) в экосистеме P2PCLAW. Модель ориентирована на роль инструкционной помощницы по написанию и объяснению кода, прежде всего на Python, а также заявляет поддержку JavaScript, TypeScript, Rust, Go и C++, научных вычислений и библиотек NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Модель содержит 7 млрд параметров и распространяется в 4-битном формате GGUF. В README указана текстовая модальность, поддержка английского и испанского языков, а также возможность запуска на CPU, GPU с CUDA или ROCm и мобильных устройствах. Предусмотрены локальное использование через Ollama и серверный сценарий через vLLM. Заявлена интеграция с MCP, A2A и автономной декомпозицией задач, однако подробности реализации и размер контекстного окна не указаны. Сильными сторонами модели являются компактный размер, 4-битная квантизация и ориентация на локальный запуск и задачи генерации кода. README не содержит воспроизводимых результатов бенчмарков, поэтому качество программирования, рассуждений и агентских функций невозможно надежно оценить по представленным данным. Также не описаны ограничения по безопасности, точности и совместимости форматов. Модель распространяется по лицензии Apache 2.0.

MyAwesomeModel — модель из репозитория ASD12EDSXA/MyAwesomeModel-TestRepo, опубликованная с использованием Transformers и PyTorch. В метаданных Hugging Face она отнесена к задаче feature-extraction и имеет теги BERT и Transformers, поэтому её основное каталоговое назначение — извлечение признаков и представлений из входных данных для последующего анализа или машинного обучения. README также заявляет улучшенные способности к рассуждению, математике, программированию, диалоговой генерации, суммаризации, классификации и работе с функциями, однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не сопровождаются техническими характеристиками базовой архитектуры, размером, модальностями, языками или длиной контекста. Модель распространяется по лицензии MIT.

NERGAL 2.0.1 — разработанная SlayerLab гибридная система для выявления и маскировки контактных данных и отдельных идентификаторов в польском тексте. В основном режиме правила на Python находят распознаваемые форматы, а дообученный классификатор токенов XLM-RoBERTa-large добавляет контекстные упоминания телефонов и других персональных данных; результаты объединяются и заменяются метками [PHONE] или [PII]. Архитектура классификатора — XLMRobertaForTokenClassification, размер — 658,7 млн параметров, контекст — 514 токенов. Имена людей можно маскировать отдельно, включив дополнительную модель FastPDN NER. Модель предназначена для очистки польских текстов, например перед передачей документов на анализ или подготовкой корпуса. Это не чат-модель и не универсальный анонимизатор; автор указывает, что она не предназначена для прямого использования как стандартный pipeline token-classification. Имена по умолчанию не маскируются, а адреса, даты рождения, возраста и ряд других персональных данных остаются вне целевого охвата. Для версии 2.0.1 отмечены пропуски неразмеченных телефонов, необычных форматов, повреждённого текста и некоторых вариантов email; охват категорий не гарантируется. Метаданные указывают лицензию other, а README отдельно сообщает, что дополнительная модель имён в каталоге names/ распространяется по CC-BY-4.0.

Venkatesh4342/NER-Indian-xlm-roberta — модель XLM-RoBERTa, дообученная для распознавания именованных сущностей в индийском контексте. Она выполняет разметку токенов и помогает выделять сущности в тексте. По карточке модели, на оценочном наборе получены loss 0,1404 и F1 0,8130; для токенизации используется SentencePiece. Модель содержит 305,2 млн параметров, принимает последовательности длиной до 514 токенов и распространяется по лицензии MIT. Для лучшей работы автор рекомендует подавать предложения с корректной пунктуацией, разделителями и капитализацией. Датасет и подробные ограничения в карточке не описаны, поэтому качество на иных типах текста не установлено.

Maarif Sariyev разработал англоязычную модель распознавания именованных сущностей на основе XLM-RoBERTa, дообученной для классификации токенов. Модель размечает восемь типов сущностей: PERSON, ORGANIZATION, LOCATION, JOB, PRODUCT, WORKOFART, TIMEDATE и AMOUNT. Она предназначена для извлечения сущностей из английских текстов, в том числе новостных. Модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. По описанию проекта, на небольшом наборе новостных текстов с ручной разметкой модель достигла F1 0,84. Её слабые места — распознавание должностей, границы денежных сумм, дат и измерений, а также ложные срабатывания на названия организаций. Обучающие данные для категории JOB преимущественно синтетические, а проверочный набор невелик. Модель основана на многоязычной XLM-RoBERTa, но обучающие данные и заявленные результаты относятся только к английскому языку; качество на азербайджанском не проверено. Лицензия в предоставленных сведениях не указана.

guishe/nuner-v2_fewnerd_fine_super — англоязычная модель распознавания именованных сущностей, созданная дообучением NuNER-v2.0 на наборе FewNERD-fine-supervised. Она использует архитектуру RoBERTa для классификации токенов и предназначена для извлечения из текста сущностей из специализированных категорий FewNERD, включая названия произведений искусства и другие типы сущностей. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт метки сущностей для токенов. Базовая NuNER-v2.0 предварительно обучалась на разнообразном корпусе из миллиона синтетически размеченных предложений; эта версия адаптирована к FewNERD. Опубликованные в карточке примеры метрик относятся к обучающей выборке, поэтому по ним нельзя судить о качестве на новых данных. Модель распространяется по лицензии CC BY-SA 4.0.

PocketSQL 0.5B — компактная языковая модель на 494 млн параметров от MidlightDDK, дообученная на базе Qwen/Qwen2.5-Coder-0.5B-Instruct для преобразования вопросов на английском языке в запросы DuckDB SQL по предоставленной схеме базы данных. Она использует архитектуру Qwen2ForCausalLM и рассчитана на генерацию текста в диалоговом формате; контекст модели — 32 768 токенов. Репозиторий содержит веса safetensors и ONNX-экспорты для работы через Transformers.js: 4-битный вариант для WebGPU и вариант для WASM или Node.js на CPU. Лицензия — Apache-2.0. Модель подходит для создания SQL по естественно-языковому запросу и схеме таблиц, в том числе в локальном браузерном приложении без подключения к сети после загрузки. В тестах автора 4-битный WebGPU-вариант достиг 45% точности выполнения на 100 вопросах по демонстрационным базам и 49% на 981 вопросе Spider-dev; качество снижается при сложных запросах. Модель обучена на примерах в стиле Spider и синтетических вопросах для трёх демобаз, поэтому хуже справляется с незнакомыми областями, широкими схемами и входами свыше 1 024 токенов. Она генерирует только диалект DuckDB: результат может содержать неверные таблицы, столбцы или логику, поэтому SQL и его результаты следует проверять.

py314-pylingual-v9-segmenter — модель на базе архитектуры RoBERTa, дообученная syssec-utd для сегментации токенов. Она предназначена для разметки последовательностей токенов и может использоваться в задачах сегментации текста на основе обучающих меток. В карточке указана оценка на тестовой выборке: F1 0,9916, точность 0,9980, precision 0,9912 и recall 0,9920. Модель содержит 136,3 млн параметров, принимает текст и выдаёт метки для токенов; максимальная длина контекста — 1026 токенов. Она сохранена в формате safetensors и рассчитана на Transformers. Язык сегментируемого текста, подробности меток и условия лицензии в доступных данных не приведены, поэтому применимость к конкретным языкам и типам сегментации следует проверять отдельно.

PeterPaker123 разработал эту генеративную модель для извлечения именованных сущностей из медицинских текстов на вьетнамском языке. Она основана на Qwen2.5-7B-Instruct, дообучена методом SFT и использует причинно-следственную архитектуру Qwen2.5 с 7,1 млрд параметров и контекстом до 32 768 токенов. Вместо фиксированного набора меток модель принимает заданные в запросе категории и возвращает извлеченные сущности в структурированном формате JSON. Она может выделять диагнозы, симптомы, обследования, результаты анализов, лекарства, анатомические структуры, процедуры и демографические сведения, а также определять контекстные признаки: отрицание, неопределенность, тяжесть, временную принадлежность, анамнез, связь с членом семьи и условность. Модель предназначена для структурирования клинических заметок, пользовательских обращений и других медицинских текстов, в том числе для обогащения запросов медицинского чат-бота и подготовки данных для графов знаний и эпидемиологического анализа. Она рассчитана на вьетнамский язык и использует библиотеку Transformers; файлы весов представлены в формате safetensors. Модель не предназначена для обычного диалога, диагностики, назначения лечения или сортировки пациентов. Возможны искажения написания и вымышленные сущности, а контекстные признаки могут определяться ошибочно, особенно в неоднозначных формулировках; результаты требуют проверки человеком. Лицензия — Apache 2.0.

Это модель SpanBERT large, разработанная Facebook Research и дообученная на наборе TACRED для извлечения отношений между сущностями в тексте. TACRED содержит более 106 тысяч примеров с 42 типами отношений из базы TAC KBP. Модель основана на архитектуре BERT и предназначена для получения контекстных представлений текста, которые можно использовать в задачах анализа отношений. Модель рассчитана на англоязычные тексты и принимает последовательности длиной до 512 токенов. В репозитории доступны веса PyTorch и Flax, включая формат safetensors. Метаданные классифицируют её задачу как извлечение признаков; специализированное обучение на TACRED указывает на применение для извлечения отношений. Лицензия в предоставленных данных не указана.

stanfordnlp/stanza-fr — французская модель из набора Stanza, разработанного Stanford NLP. Она предназначена для лингвистического анализа французского текста, включая распознавание именованных сущностей; метаданные классифицируют её как модель разметки токенов. Модель распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Stanza предоставляет инструменты анализа текста от исходного текста до синтаксического разбора и распознавания сущностей. Карточка не уточняет размер модели, длину контекста и отдельные ограничения качества.

sathishmahi/tamil-ner-model — модель распознавания именованных сущностей в тексте на тамильском языке. Это дообученная версия bert-base-uncased на датасете XTREME, построенная на архитектуре BERT с классификационной головой для разметки токенов. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для токенов. Модель предназначена для извлечения именованных сущностей из тамильского текста. В README приведено значение loss 0,5562 на оценочном наборе, но классы сущностей и подробности протокола оценки не описаны. Распространяется по лицензии Apache-2.0.

TAPEX-large-finetuned-WTQ — модель Microsoft для ответов на вопросы по таблицам. Она основана на архитектуре BART и предварительно обучена как нейронный исполнитель SQL-запросов, чтобы выполнять рассуждения по табличным данным; эта версия дообучена на WikiTableQuestions. Модель предназначена для ответов на сложные вопросы о содержимом таблицы, включая сравнение значений и поиск записей по условиям. Модель использует архитектуру encoder-decoder с примерно 252,8 млн параметров и контекстом до 1024 токенов. На вход подаются таблица и вопрос в текстовом представлении, на выходе генерируется текстовый ответ. Карточка указывает английский язык и лицензию MIT. Результаты могут быть ненадёжными для вопросов, которые нельзя решить по таблице, или при сложных формулировках и несоответствии формата входных данных ожиданиям модели.